COCO-Seg Veri Kümesi#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 Segmentation is the canonical instance-segmentation benchmark across 80 everyday-object classes. Detailed polygons delineate objects in complex scenes with varied scale, crowding, occlusion, and context for standardized mask-quality evaluation.

80 classes11.6 GBSep 2, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

COCO-Seg veri kümesi, Ultralytics YOLO etiket biçiminde, 80 nesne kategorisi genelinde poligon maskeleri içeren 118.287 eğitim ve 5.000 doğrulama görüntüsüyle COCO (Bağlamdaki Yaygın Nesneler) örnek segmentasyon maskeleri sağlar. COCO'nun özgün görüntülerini ve yerel segmentasyon açıklamalarını kullanır ve bunları YOLO eğitimi için dönüştürür; bu da onu örnek segmentasyonu görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için kritik bir kaynak hâline getirir.

COCO-Seg Önceden Eğitilmiş Modelleri#

Temel Özellikler#

• COCO-Seg, COCO'nun yaklaşık ~330 bin görüntülük daha geniş sürümünün içinden, etiketlenmiş 123.287 COCO train2017/val2017 görüntüsü (118.287 train + 5.000 val) için örnek segmentasyon maskeleri sağlar.
• Veri kümesi, özgün COCO veri kümesinde bulunan aynı 80 nesne kategorisinden oluşur.
• Açıklamalar, YOLO poligon etiket biçiminde örnek segmentasyon maskeleri sağlar.
• COCO-Seg, örnek segmentasyonu performansını değerlendirmek için standartlaştırılmış mAP ve mAR metrikleri sağlayarak model performansının etkili biçimde karşılaştırılmasını mümkün kılar.
• İndirme boyutu: İlk kullanımda (train2017.zip + val2017.zip + etiketler) ~20,3 GB. 7 GB boyutundaki test2017.zip otomatik olarak alınmaz; çünkü bu görüntülerin gerçek referans etiketleri gizlidir ve yalnızca bir test-dev2017 gönderimi için gereklidir.

Veri Kümesi Yapısı#

COCO-Seg veri kümesi üç alt kümeye ayrılmıştır:

1. Train2017: Örnek segmentasyonu modellerini eğitmek için 118.287 görüntü.
2. Val2017: Model geliştirme sırasında doğrulama için kullanılan 5.000 görüntü.
3. Test-dev2017: Karşılaştırmalı değerlendirme için kullanılan 40.670 test2017 görüntüsünün 20.288'i. Bu alt kümenin gerçek referans açıklamaları herkese açık değildir; bu nedenle puanlama için tahminlerin COCO değerlendirme sunucusuna gönderilmesi gerekir.

Daha küçük ölçekli denemeler için COCO128-Seg (128 görüntü) ve COCO8-Seg (8 görüntü) alt kümelerine bakabilirsin.

Uygulamalar#

COCO-Seg, YOLO modelleri gibi derin öğrenme modellerini örnek segmentasyonu üzerinde eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çok sayıdaki açıklamalı görüntü, nesne kategorilerinin çeşitliliği ve standartlaştırılmış değerlendirme metrikleri, onu bilgisayarlı görü araştırmacıları ve uygulayıcıları için vazgeçilmez bir kaynak hâline getirir. COCO-Seg açıklamalarının tamamına Ultralytics Platform üzerinden de göz atabilir ve bunları yönetebilirsin.

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri içerir. COCO-Seg veri kümesi için coco.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml adresinde tutulur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Kullanım#

COCO-Seg veri kümesi üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-seg modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bakabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Açıklamalar#

COCO-Seg, örnek segmentasyon maskeleri YOLO etiket biçiminde sağlanan, COCO ile aynı çeşitli görüntüleri, nesne kategorilerini ve karmaşık sahneleri içerir. Aşağıda veri kümesindeki bazı görüntü örnekleri ve bunlara karşılık gelen örnek segmentasyon maskeleri yer alır:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için eğitim sırasında birden çok görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir.

Atıflar ve Teşekkürler#

COCO-Seg veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen özgün COCO makalesine atıfta bulun ve COCO-Seg'e yapılan genişletmeyi belirt:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Bilgisayarlı görü topluluğu için bu paha biçilmez kaynağı oluşturup sürdürdüğü için COCO Konsorsiyumu'na teşekkür ederiz. COCO veri kümesi ve oluşturucuları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

SSS#